BAB III

ANALISIS MULTIDIMENSIONAL SCALING

3.1 Pengertian Analisis Multidimensional Scaling

Multidimensional Scaling (MDS) berhubungan dengan pembuatan grafik (map) yang
bertujuan untuk menggambarkan posisi sebuah objek dengan objek lain, berdasarkan
kemiripan objek-objek tersebut (Agus,2012). Konsep dasar dari Multidimensional Scaling
adalah menentukan koodinat posisi untuk setiap objek dalam suatu peta geometri, sehingga
jarak antar objek-objek tersebut akan sesuai dengan nilai kedekatan berdasarkan input
datanya. Peta geometri tersebut yang disebut spatial maping dan koordinat posisi untuk setiap
objek dalam peta spatial disebut nilai skala. Dalam spatial maping, objek-objek penelitian
dipresentasikan menjadi titik-titik. Titik-titik yang ditempatkan dalam sebuah peta akan
menghasilkan jarak diantara setiap pasang objek. Jarak antara titik satu dengan yang lain
menggambarkan kemiripan atau perbedaan objek satu dengan objek yang lainnya. Dua buah
objek yang mirip ditunjukkan oleh dua titik yang dekat satu sama lain, serta dua objek yang
relatif berbeda ditunjukkan oleh dua titik yang cenderung jauh satu sama lain.
Penggambaran objek selanjutnya disebut dengan istilah stimulus (stimuli) dan biasanya
dinyatakan dalam peta berdimensi rendah seperti dimensi dua dan dimensi tiga, sedangkan
peta dimensi berjumlah empat atau lebih akan membuat interpretasi sulit dilakukan sehingga
Multidimensional Scaling umumnya memakai dua atau tiga dimensi. Peta berdimensi rendah
menjadi alat untuk memaksimalkan ukuran kedekatan (proximity measure) disetiap pasangan
objek serta jarak antara suatu objek didalam sebuah peta.

3.2 Jenis-jenis Multidimensional Scaling

Berdasarkan skala datanya, multidimensional scaling dapat dibagi menjadi dua yaitu
multidimensional scaling metrik dan multidimensional scaling nonmetrik (Johnson,1982).

a. Multidimensional scaling metrik

Multidimensional scaling metrik sering disebut classical scaling. Classical scaling
menunjukkan bagaimana koordinat tidak dapat dicari dari matriks jarak antara titik-titik
dalam ruang Euclidean. Data jarak yang digunakan dalam penskalaan berdimensi ganda
metrik adalah data kuantitatif (interval dan rasio).
b. Multidimensional scaling nonmetrik
Multidimensional scaling nonmetrik data input yang diberikan hanya berupa urutan
peringkat atau pendapat kesamaan yang diberikan subyek terhadap persepsi ketidaksamaan
diantara pasangan-pasangan obyek dan tidak dianggap sebagai jarak sebenarnya, namun
berupa informasi ordinal.

3.3 STRESS (Standardized Residual Sum of Square)

Stress ialah ukuran ketidakcocokan antara konfigurasi yang ada dengan ukuran
kesesuaian yang diinginkan, makin tinggi nilai stress semakin tidak cocok atau semakin
mendekati nol maka output yang dihasilkan semakin sesuai dengan keadaan yang sebenarnya
dengan kata lain sebagai suatu ukuran yang digunakan untuk menilai suatu konfigurasi dari
objek sebagai titik-titik dalam dimensi h sudah baik atau belum. Nilai stress dan jumlah
dimensi berbanding terbalik, jumlah dimensi yang rendah akan mengakibatkan nilai stress
yang tinggi (Johnson,1982).
Nilai stress dapat dihitung dengan menggunakan rumus sebagai berikut:
2
∑𝑛 ̂
𝑖≠𝑗(𝑑𝑖𝑗 −𝑑𝑖𝑗 )
∑𝑛 2
𝑖≠𝑗 𝑑𝑖𝑗

Keterangan:
𝑑𝑖𝑗 = jarak antar objek ke-i dan objek ke-j;
𝑑̂𝑖𝑗 = jarak Euclidean dari koordinat yang terbentuk.

1.4 Langkah-Langkah Analisis Multidimensional Scaling

Analisis multidimensional scaling adalah untuk memetakan persepsi (perceptual map) secara
visual dalam peta multidiemensi. Dari Ginanjar (2008) menerangkan beberapa tahapan
analisis dalam melakukan analisis Multidimensional Scaling adalah
1. Menghitung matrik jarak dengan menggunakan jarak Euclidean. Kedekatan antar
objek pada perceptual map dapat dihitung dengan menggunakan jarak Euclidean
antara objek pertama sampai dengan objek ke-j dengan rumus sebagai berikut :
2
𝑑𝑖𝑗 = √∑𝑝ℎ=1(𝑥𝑖ℎ − 𝑥𝑗ℎ )
dimana :
𝑑𝑖𝑗 = jarak euclidean antar objek ke-1 dan objek ke-j
p = banyaknya pengamatan
𝑥𝑖ℎ = hasil pengukuran objek ke-i pada peubah h
𝑥𝑗ℎ = hasil pengukuran objek ke-j pada peubah h
2. Mencari nilai eigen value dan eigen vektor dengan rumus sebagai berikut :
det(B − λI) dan det(𝐵 − λI)X
Dimana menghitung matrik B dengan elemen-elemen
1 2
𝑏𝑖𝑗 = − (𝑑𝑖𝑗 − 𝑑𝑖.2 − 𝑑.𝑗2 + 𝑑..2 )
2
dimana :

1
𝑑𝑖.2 = 2
∑ 𝑑𝑖𝑗
𝑛
𝑗

1
𝑑.𝑗2 = 2
∑ 𝑑𝑖𝑗
𝑛
𝑖
1 2
𝑑..2 = 2
∑ 𝑑𝑖𝑗
𝑛
𝑖𝑗

3. Membentuk koordinat objek berdasarkan vektor eigen 𝑋 = [𝑥1 𝑥2 ], kemudian

̂ yang merupakan jarak Euclidean dari koordinat yang
selanjutnya menghitung 𝐷
terbentuk.
4. Menghitung nilai stress dengan rumus sebagai berikut:
2
∑𝑛𝑖≠𝑗(𝑑𝑖𝑗 − 𝑑̂𝑖𝑗 )
∑𝑛𝑖≠𝑗 𝑑𝑖𝑗
2

Semakin kecil nilai stress menunjukkan bahwa hubungan monoton yang terbentuk antara
ketidaksamaan dengan disparities semakin semakin baik (didapat kesesuaian) dan kriteria
pada persepsi (perceptual map) yang terbentuk semakin sempurna.
Kriteria nilai stress berdasarkan kriteria Maholtra dapat dilihat tabel 3.4.
Tabel 3.4 Kriteria Nilai Stress
Stress Kriteria
> 20 % Kurang
10% - 20% Cukup
5% - 10% Baik
2,5 % - 5% Sangat Baik
0 % - 2,5% Sempurna
Sumber: Simamora (2005)